KI-Use Cases für die h-aero® Plattform

AI Explorer

Ausgangssituation

Die Hybrid-Airplane Technologies GmbH entwickelt, betreibt, vertreibt und vermietet ein nachhaltiges hybrides Fluggerät: Der h-aero® ist ein Hybridflugzeug, das erstmalig die bekannten physikalischen Prinzipien des Flugs kombiniert (Flugzeug, Hubschrauber, Ballon) und durch die Kombination von statischem und dynamischem Auftrieb den Energieverbrauch minimiert. Es eignet sich, um mittels diverser Sensorik autonome Datensammelaufgaben durchzuführen. Komplexe Aufgabe dieser Art lassen sich häufig nur mit flexiblen lernenden Algorithmen angehen. Aufgrund der Vielzahl der potenziellen Anwendungsfälle wurde diesbezüglich allerdings noch keine Priorisierung vorgenommen.

Lösungsidee

Das Ziel des AI Explorers war es, die vielversprechendsten Anwendungsfälle herauszuarbeiten und gleichzeitig einen Überblick über die Landschaft der KI-Anwendungen für unterschiedlichste Sensorsysteme und Anwendungsdomänen zu geben. Eine Priorisierung der Anwendungsfälle wurde angestrebt, um die Ressourcen der Hybrid-Airplane Technologies GmbH optimal nutzen zu können und gleichzeitig die Chancen für eine schnelle und gewinnbringende Umsetzung zu erhöhen.

KI-Fortschrittszentrum_200_AIX_h-aero_Abb1 — Abbildung 1: Prozessschaubild der im AI Explorer durchgeführten QFD-Analyse, Philipp Wagner, Fraunhofer IPA

Nutzen

Durch das systematische Vorgehen mittels einer QFD-Analyse konnten aufgrund objektiver Kriterien die jeweiligen Potenziale der einzelnen KI-Anwendungsfälle quantitativ bewertet werden. Die Ergebnisse der Analyse können Hybrid-Airplane Technologies in naher Zukunft helfen, KI gewinnbringend einzusetzen und Ideen effizienter und zielgerichteter umzusetzen.

Umsetzung der KI-Applikation

In einer Brainstorming-Runde wurden zunächst Anwendungsfälle aller Art gesammelt, die sich potenziell auf der h-aero® Plattform umsetzen lassen. Dabei wurden die Ideen in die vier Bereiche Träger, Innenraum, Außenraum und Photogrammmetrie eingeordnet. Im zweiten Schritt erfolgte die Identifikation von Chancen und Risiken sowie deren numerische Gewichtung. Abschließend konnten die 22 Anwendungsfälle bezüglich dieser Chancen und Risiken bewertet werden. Am besten schnitten bei dieser Analyse die Eigenkalibrierung des Trägers, das Lernen von Begrenzungen sowie die Anomalieerkennung ab.